پژوهشگران دانشگاه مک گیل کانادا در پژوهشی مروری و تحلیلی با استفاده از تحلیل ثانوی به بررسی ترکیب داده های کامپیوتری مغزی از MEG و MRI برای تعیین سن مغز انسان پرداختند.
روش پژوهش تعیین سن مغز:
در این پژوهش تحلیل ثانوی داده های مرکز نوروساینس سالمندی کمبریج (Cam-CAN) مورد استفاده قرار گرفتند. اطلاعات مورد استفاده شامل MRI با شدت میدان 1 تسلا و MEG حالت استراحت 652 فرد سالم بین سنین 18 تا 88 سال بود. تحلیل های صورت گرفته شامل تحلیل ساختاری MRI حسب z-score، و تحلیل MEG با MNE-Python بودند.
یافته های پژوهش تعیین سن مغز:
- در محاسبات جداگانه، استفاده از MRI (متوسط خطای مطلق 5.33 سال) بهتر از استفاده از MEG (متوسط خطای مطلق 9.60 سال) به محاسبه سن مغز می انجامد.
- استفاده از مدل پشته سازی داده در ترکیب نتایج MEG و MRI منجر به افزایش دقت با متوسط خطای مطلق 4.88 سال می شود.
- تحلیل مولفه اصل (PCA) نمایانگر نحوه عملکرد بخش های پیشین مغز است.
- تحلیل استاندارد همبستگی (CCA) همراه با مدل رگرسیون پردازش گاوسی به پیش بینی سن مغز کمک بهتری می کند.
- تحلیل استاندارد همبستگی (CCA) منجر به عینی سازی الگوهایی می شود که به شکلی معنادار پیش بینی کننده سن مغز هستند.
- MRI ساختارهای و نواحی تحت قشری (ساب کورتیکال) بهتر از MRI ساختارهای قشری پیش بینی کننده سن مغز هستند.
- MEG طیفی بهتر از شاخص های ارتباطی می تواند سن مغز را پیش بینی نماید.
راهبردهای کارکردی پژوهش تعیین سن مغز:
- تخمین سن مغزی یکی از روش های مهم برای درک وضعیت مغز در نقشه های مغزی به ویژه در بیماری های نورودژنراتیو همچون آلزایمر، پارکینسون، هانتینگتون و MS (تصلب چندگانه) است.
- با در نظر گرفتن دانش موجود، به نظر می رسد MRI بهتر از MEG به پیش بینی سن مغز و تغییرات آن می پردازد. با توجه به گران بودن و محدودیت دسترسی MEG، MRI بهترین ابزار فعلی برای شناسایی تغییرات مغزی است.
- استفاده از داده کاوی، یادگیری ماشینی و هوش مصنوعی کمک شایانی به بهبود نتایج تفسیری بدست آمده از MRI می نماید.
Estimating brain age from structural MRI and MEG data: Insights from dimensionality reduction techniques
Abstract
Brain age prediction studies aim at reliably estimating the difference between the chronological age of an individual and their predicted age based on neuroimaging data.
These are which has been proposed as an informative measure of disease and cognitive decline.
As most previous studies relied exclusively; on magnetic resonance imaging (MRI) data, we hereby investigate it. Whether, combining structural MRI with functional magnetoencephalography (MEG); information improves age. The prediction is using a large cohort of healthy subjects (N = 613, age 18–88 years) from the Cam-CAN repository.
Method:
To this end, we examined the performance of dimensionality reduction and multivariate associative techniques, namely Principal Component Analysis (PCA) and Canonical Correlation Analysis (CCA), to tackle the high dimensionality of neuroimaging data.
Results:
Using MEG features (mean absolute error (MAE) of 9.60 years) yielded worse performance when compared to using MRI features (MAE of 5.33 years). but a stacking model combining each feature sets improved age prediction performance (MAE of 4.88 years).
Furthermore, we found that PCA resulted in inferior performance. Whereas, CCA in conjunction with Gaussian process is in regression models yielded the best prediction performance.
Notably, CCA allowed us to visualize the features that significantly contributed to brain age prediction.
We found that MRI features from subcortical structures were more reliable age predictors. It is more than cortical features, and that spectral MEG measures were more reliable than connectivity metrics.
Conclusion:
Our results provide an insight into the underlying processes that are reflective of brain aging, yielding promise for the identification of reliable biomarkers of neurodegenerative diseases that emerge later during the lifespan.
Keywords
Age prediction, Brain aging, Magnetic resonance imaging, Magnetoencephalography, Machine learning, Canonical correlation analysis.
